ĐSTANBUL TEKNĐK ÜNĐVERSĐTESĐ FEN BĐLĐMLERĐ ENSTĐTÜSÜ ĐKĐ BOYUTLU UYARLAMALI KAFES SÜZGEÇ YAPILARI ĐLE GÜRÜLTÜ GĐDERME

Átírás

1 ĐSTANBUL TEKNĐK ÜNĐVERSĐTESĐ FEN BĐLĐMLERĐ ENSTĐTÜSÜ ĐKĐ BOYUTLU UYARLAMALI KAFES SÜZGEÇ YAPILARI ĐLE GÜRÜLTÜ GĐDERME YÜKSEK LĐSANS TEZĐ Ahmet Atakan ALKAN Anabilim Dalı : Elektronik ve Haberleşme Programı : Telekomünikasyon Mühendisliği Tez Danışmanı: Doç. Dr. Işın ERER HAZĐRAN 2009

2

3 ĐSTANBUL TEKNĐK ÜNĐVERSĐTESĐ FEN BĐLĐMLERĐ ENSTĐTÜSÜ ĐKĐ BOYUTLU UYARLAMALI KAFES SÜZGEÇ YAPILARI ĐLE GÜRÜLTÜ GĐDERME YÜKSEK LĐSANS TEZĐ Öğrenci Ahmet Atakan ALKAN ( ) Tezin Enstitüye Verildiği Tarih : 04 Mayıs 2009 Tezin Savunulduğu Tarih : 01 Haziran 2009 Tez Danışmanı : Doç. Dr. Işın ERER (ĐTÜ) Diğer Jüri Üyeleri : Prof. Dr. Serhat ŞEKER (ĐTÜ) Prof. Dr. Sedef KENT (ĐTÜ) HAZĐRAN 2009

4

5 ÖNSÖZ Araştırmalarımı yönlendiren tez danışmanım Doç.Dr. Işın ERER e, bu tezin ortaya çıkmasındaki bütün yardımlarından dolayı teşekkür ederim. Hayatım boyunca bana hep doğru yolu çizmiş ve göstermiş olan, şevkat, sevgi ve muhabbetini daima üzerimde hissettiğim canım aileme sonsuz teşekkürler. Haziran 2009 Ahmet Atakan ALKAN iii

6 iv

7 ĐÇĐNDEKĐLER. Sayfa ÖNSÖZ... iii ĐÇĐNDEKĐLER... v KISALTMALAR... vii ÇĐZELGE LĐSTESĐ... ix ŞEKĐL LĐSTESĐ... xi ÖZET... xiii SUMMARY... xv 1. GĐRĐŞ Tezin Amacı Literatür Özeti Bölümlere Genel Bakış B KAFES SÜZGEÇ YAPILARI B Levinson Algoritması B Destek Bölgesinin Sıralanması Yinelemeli Çözüm B Kafes Süzgeç Yapıları B Ortak-Süreç Kafes Kestirici B Uyarlamalı LMS Kafes Yapısı B Uyarlamalı Normalize LMS Kafes Yapısı B UYARLAMALI KAFES SÜZGEÇ YAPILARI ĐLE GÜRÜLTÜ GĐDERME Uyarlamalı Hat Đyileştirici Kafes Süzgeç Temelli Uyarlamalı Hat Đyileştirici Uygulama Örnekleri B UYARLAMALI KAFES SÜZGEÇ YAPILARI ĐLE BENEK GÜRÜLTÜSÜ GĐDERME SAR Görüntülemede Benek Gürültüsü Çarpımsal Gürültü Giderme Algoritması Uygulama Örnekleri SONUÇLAR VE ÖNERĐLER KAYNAKLAR v

8 vi

9 KISALTMALAR 1-D : Bir Boyutlu 2-D : Đki Boyutlu 1-B : Bir Boyutlu 2-B : Đki Boyutlu ASHP : Simetrik Olmayan Yarı düzlem ALE : Uyarlamalı Hat Đyileştirici FIR : Sonlu Đmpuls Cevabı MSE : Ortalama Karesel Hata QP : Çeyrek Düzlem PSNR : Tepe Đşaret Gürültü Oranı SAR : Yapay Açıklıklı Radar SNR : Đşaret-gürültü oranı TDAL : Đki Boyutlu Uyarlamalı Kafes TDALNC : Đki Boyutlu Uyarlamalı Kafes Gürültü Giderme TDJPL : Đki Boyutlu Ortak-Süreç Kafes vii

10 viii

11 ÇĐZELGE LĐSTESĐ Sayfa Çizelge 3.1 : 2-B Uyarlamalı Kafes Hat Đyileştiricinin Performansı (Toplamsal Gürültü) Çizelge 4.1 : 2-B Uyarlamalı Kafes Hat Đyileştiricinin Performansı (Çarpımsal Gürültü) ix

12 x

13 ŞEKĐL LĐSTESĐ Sayfa Şekil 2.1 : Sıralı ve Yakın Komşulu dizinleme... 7 Şekil 2.2 : 2-B Kafes Modülün Đç Yapısı... 9 Şekil 2.3 : 2-B Kafes Süzgeç Yapısı Şekil 2.4 : 2-B Kafes Süzgeç Algoritması Şekil 2.5 : 2-B Uyarlamalı Ortak-Süreç Kafes Kestirici Şekil 3.1 : Uyarlamalı Hat Đyileştirici Yapısı Şekil 3.2 : 2-B Uyarlamalı Hat Đyileştirici Yapısı Şekil 3.3 : 2-B Uyarlamalı Kafes Hat Đyileştirici Yapısı Şekil 3.4 : Lena Uygulama Örneği SNR=10dB Şekil 3.5 : Geri yönde yansıma katsayısının öğrenme eğrileri Şekil 3.6 : 2-B uyarlamalı kafes hat iyileştiricinin ağırlık katsayısının yakınsama eğrisi Şekil 3.7 : Lena Uygulama Örneği SNR=20dB Şekil 4.1 : Çarpımsal gürültü için 2-B uyarlamalı kafes hat iyileştirici Şekil 4.2 : 2-B Uyarlamalı Kafes Hat Đyileştirici Yapısı kullanılarak çarpımsal gürültünün giderilmesi Şekil 4.3 : 2-B Uyarlamalı ortak süreç kafes yapısındaki ileri ve geri yöndeki yansıma katsayısı ve ağırlık katsayısının yakınsama eğrisi Şekil 4.4 : Đstanbul Boğaz ı Uygulama Örneği xi

14 xii

15 2-B UYARLAMALI KAFES SÜZGEÇ YAPILARI ĐLE GÜRÜLTÜ GĐDERME ÖZET Bir boyutlu uyarlamalı kafes süzgeçlerin başarısı üzerine araştırmalar iki boyutlu uyarlamalı kafes süzgeç yapılarına odaklanmıştır. Sonucunda da iki boyutlu uyarlamalı kafes süzgeç yapılarını ortak-süreç kestiricilerinde kullanılmıştır. Önceki çalışmalarda da görüldüğü üzere iki boyutlu ortak süreç kafes kestiriciler bir çok uygulamada, görüntü restorasyonu ve gürültü giderme gibi, kullanılmıştır. Đki boyutlu uyarlamalı kafes algotitması (TDAL) Youal tarafından geliştirilmiştir. Youal ve arkadaşları buldukları bu algoritmayı Parker ve Kayran ın iki boyutlu kafes yapılarında kullanmışlardır. Bu kafes yapısı, diklik prensibini esas alarak geliştirilmiştir ki bu bir boyutlu kafes yapılarının önemli bir özelliğidir. Ancak yine de her kafes katmanında sadece üç yansıma katsayısı önerildiği için her iki boyutlu özbağlanımlı data alanı doğru olarak tanımlamamakta ve bu da bilgi kaybına neden olmaktadır. Bu hataları ortadan kaldırmak amacıyla Ertuzun, birinci kafes katından sonra iki yeni geri yönde hata alanları üreten yeni bir yapı sunmuştur. Bu yapı bir ve ikinci dereceden özbağlanımlı data alanlarını doğru olarak modelleyebilmekte fakat derece arttıkca yansıma katsayılarının yetersiz kalması sebebiyle yine aynı problemle karşı karşıya kalmaktadır. Bu problemi çözmek için Kayran ve Parker, tüm yansıma katsayılarını veren yeni bir dik, dört alanlı iki boyutlu çeyrek-düzlem kafes yapısını ortaya koymuşlardır. Daha sonra, Kayran iki boyutlu dik çeyrek-düzlem süzgeç yapısını kullanarak geliştirilmiş iki boyutlu ortak süreç kafes yapısını sunmuştur. Bu yapıda, birbirlerine dik geri yönde öngörü hata alanları ortak süreç kafes yapısının ağırlık katsayılarını bulmak için kullanılabileceği gösterilmiştir. Bu çalışmada, iki boyutlu ortak süreç kafes yapıları (TDJPL) ve bu yapıları kullanarak görüntü restorasyonu uygulamaları incelenecektir. Đki boyutlu uyarlamalı kafes algoritması (TDAL-LMS) kullanılarak her bir kafes yapısında Γ yansıma katsayısı ve w ortak-süreç kafes süzgecin ağırlık katsayıları hesaplanacaktır. Görüntü restorasyonunda iki boyutlu kafes süzgeç temelli uyarlamalı hat iyileştirici yapısı kullanılmıştır. Yapının performansını değerlendirmek için, farklı işaret-gürültü oranı değerlerinde gürültülü resim işareti kullanılmıştır. Sonuçlar bilgisayar simülasyonlarıyla verilecektir. T. Nakachi, K. Yamashita ve N. Hamada tarafından geliştirilen iki boyutlu uyarlamalı ortak-süreç kafes yapısı ve bu yapı kullanılarak geliştirilmiş TDAL-LMS algoritması kullanılacaktır. Kullanılan iki boyutlu kafes süzgeç temelli uyarlamalı hat iyileştirici yapısı, geri yöndeki öngörü hata alanları birbirlerine dik olmasından diğer iki boyutlu süzgeçlere göre daha hızlı yakınsamaktadır. Bu da incelenen yapının önemli bir özelliğidir. xiii

16 xiv

17 NOISE CANCELLATION USING 2-D ADAPTIVE LATTICE STRUCTURE SUMMARY Given the success of 1-D adaptive lattice filter, recent reserch has focused on the development of 2-D adaptive lattice fitler. Practical use of these lattice filters are implemented as a 2-D joint process lattice estimator. Previous studies have shown that 2-D adaptive joint-process lattice estimator is useful in many applications such as image restoration and noise cancellation. A 2-D adaptive lattice algorithm (TDAL) was first developed by Youlal et al. They used this algoritm on the Parker and Kayran s 2-D lattice structure. But this lattice structure lacks the orthogonality property, which was an important characteristic of 1-D lattice structures. And also, since this structure introduces only three reflection coefficients at each order update, it lacks sufficient parameters to represent all classes of 2-D AR uarter-plane filters. Ertuzun et al. presented a new structure, which generates two additional prediction error fields, after the first stage. This structure can exactly model first and second order AR data fields, but as the order of the AR data fields increases, two additional backward prediction error fields do not introduce sufficient parameters to model all the data points in the support. To eliminate this problem, Kayran and Parker presented a new structure with a complete set of reflection coefficients. After the first stage, they introduces four auxiliary forward and four auxiliary backward prediction errors, in order to obtain growing number of 2-D reflection coefficients at successive stages. Recently, Kayran presented an improved method to obtain the 2-D joint process lattice structure using recently developed 2-D orthogonal uarter-plane filters for AR modeling. It is shown that a set of orthogonal backward prediction error fields can be used to calculate the corresponding joint process coefficients. In this study, the two-dimensional (2-D) joint process lattice (TDJPL) and its implementations for image restoration applications are examined. A 2-D adapive lattice least mean suare (TDAL-LMS) algorithm is used to calculate the Γ reflection coefficients parameters, and w the joint process filter weights at each lattice stage. Implementations of the proposed TDJPL estimator as a 2-D adaptive lattice noise canceller (TDALNC) are then considered. Performance evaluation of this scheme is undertaken using artificially degraded image data at different signalto-noise ratios (SNR s). The results are evaluated for noise cancellation through computer simulations. A new two-dimensional adaptive joint-process structure and its TDAL-LMS algorithm is presented based on T. Nakachi, K. Yamashita and N. Hamada s structure (2-D adaptive line enchancer using a lattice structure for noise cancellatio. The proposed ALE is superior at convergence because of orthogonality of backward prediction error fields and capability of representing a wide class of 2-D FIR systems than previous ones. xv

18 xvi

19 1. GĐRĐŞ Veri işleme kapasitesi yüksek sayısal sitemlerin ortaya çıkması ile sayısal işaret işleme, modern bilim ve teknolojide vazgeçilmez bir alan durumuna gelmiştir. Son yirmi yılda, uyarlamalı algoritmalar ve kafes yapıları bir boyutlu işaret işlemede büyük gelişmeler göstermiştir. Bir boyutlu uyarlamalı kafes süzgeçlerin bu başarısı üzerine araştırmalar iki boyutlu uyarlamalı kafes süzgeç yapılarına odaklanmıştır. Sonucunda da iki boyutlu uyarlamalı kafes süzgeç yapıları ortak-süreç kestiricilerinde kullanılmıştır. Önceki çalışmalarda da görüldüğü üzere iki boyutlu ortak süreç kafes kestiriciler bir çok uygulamada, görüntü restorasyonu ve gürültü giderme, kullanılmıştır. Görüntü işlemede gürültülü pikseller, işaret işleme açısından yüksek frekans bileşenlerini oluştururlar. Bu nedenle gürültünün bastırılması için akla gelebilecek ilk yöntem, görüntünün alçak geçiren bir süzgeçten geçirilmesi olacaktır. Fakat alçak geçiren süzgecin, yine yüksek frekans bölgesinde yer alan detay bilgisini de bastıracağından, doğrudan kullanılması mümkün değildir. Gürültünün bastırılması için kullanılan bir diğer yöntem de medyan filtrelemedir. Alçak filtreye benzer bir karakteristik sergileyen bu filtre, detayları daha iyi koruyabilmektedir. Fakat görülecektir ki bu filtre çok etkin sonuçlar vermemektedir. Bu nedenle, ilkel bir yapıya sahip olan medyan filtrenin yerine başka çözümler aranmıştır. Toplamsal gürültüyü bastırmanın en önemli yollarından biri, Wiener filtrelemedir. Wiener filtresi, gürültünün karakteristiğinin bilindiği varsayılarak oluşturulan ve gürültünün etkisini tersi bir filtreyle yok etmeyi amaçlayan bir filtredir [1]. Wiener filtrenin ardından incelenen uyarlamalı Wiener filtresi, gürültüye adapte olarak oldukça iyi sonuçlar verebilen bir filtredir. Đsminden de anlaşıldığı gibi uyarlamalı filtreleme, görüntünün farklı bölgelerine ve farklı gürültü seviyelerine adapte olarak daha etkin sonuçlar üreten bir yöntemdir. Bu özelliğiyle, gürültüyü bastırmasındaki başarısının yanında, görüntüye ait önemli bilgileri de koruyabilmesi, uyarlamalı filtrenin tercih edilme sebeplerindendir. 1

20 1.1 Tezin Amacı Bu çalışmada, iki boyutlu ortak süreç kafes yapıları (TDJPL) ve bu yapıları kullanarak görüntüde gürültü giderme uygulamaları incelenecektir. Đki boyutlu uyarlamalı kafes algoritması (TDAL-LMS) kullanılarak her bir kafes yapısında Γ yansıma katsayısı ve w ortak-süreç kafes süzgecin ağırlık katsayıları hesaplanacaktır. Görüntü restorasyonunda iki boyutlu kafes süzgeç temelli uyarlamalı hat iyileştirici yapısı kullanılmıştır. Gürültü giderme algoritmalarında, algoritmanın performansını, yakınsama hızı, değişen koşulalara adapte olması gibi parametreler belirler. Yapının performansını değerlendirmek için, farklı işaretgürültü oranı değerlerinde gürültülü resim işareti kullanılmıştır. Sonuçlar bilgisayar simülasyonlarıyla verilecektir. Sunulan yapının daha iyi hale getirilmesi için ilişkisizlendirme parametresi, adım boyu gibi değişkenlerin optimum değerde seçilmesi gerekmektedir. T. Nakachi, K. Yamashita ve N. Hamada tarafından geliştirilen iki boyutlu uyarlamalı ortak-süreç kafes yapısı ve bu yapı kullanılarak geliştirilmiş TDAL-LMS algoritması kullanılacaktır [2]. 1.2 Literatür Özeti Görüntü işleme konusunda yapılan çalışmalarda, incelenen işaretin parametrik modellenmesi çok güncel bir yaklaşımdır. Đki boyutlu alanların yansıma katsayıları ile modellenmesi ilk olarak Marzetta [3] tarafından,minimum fazlı sayısal süzgeçlerin bulunması şeklinde ortaya çıkmıştır. Bir boyutta doğrusal kestirim sonuçlarının iki boyuta genelleştirildiği bu çalışma, iki boyutta yapılan çalışmalara temel teşkil eder. Đki boyutta farklı bir yaklaşım Parker ve Kayran tarafından sunulan iki boyutlu çeyrek düzlem kafes süzgeçleri [4] olmuştur. Yapısal olarak basit, gerçekleştirilmesi kolay olan bu süzgeçler, her bir çeyrek düzlem için dört hata alanı kavramı geliştirmesiyle veya her bir süzgeç derecesi için üç parametre içeren model olarak tanıtılabilir. Ancak bu süzgeç yapısı her bir derece artışında yalnızca üç parametre tanımladığından, tüm özbağlanımlı alanlar modellenememektedir. Daha da önemlisi, önerilen modelin diklik özelliği taşımaması, süzgecin yapısal kararlılığı [5] ve optimum süzgeç olması açısından bir eksikliktir [6] 2

21 Daha sonra, Kayran tarafından [7] üç parametreli kafes süzgeç yapısını asimetrik yarı düzlem için genelleştirerek, sayısal süzgeçlerin tasarım probleminin çözümüne uygulamıştır. Ertüzün [8], üç parametreli kafes süzgeç modelinden geliştirilmiş kafes süzgecinde, ilk kademede dört hata alanı daha sonraki kademede ek iki hata alanı daha katılarak altı hata alanı ile ile gerçeklenen modelin, enformasyon açısından maksimum entropiye yakınsadığını göstermiştir. Buna göre, entropideki artışın doğal olarak özbağlanımlı alanların daha güvenilir ve daha iyi modellenmesini sağladığı gösterilmiştir. Ancak, süzgeç yapısında her bir derece artışta, sabit sayıda parametre tanımlandığından bütün 2-B lu alanları modelleyemez yani dik değildir. Kayran [9], rastgele alanların özbağlanımlı modellenmesi için 2-B dik kafes yapılarını sunmuştur. Yöntem, verilen 2-B lu genişletilmiş normal denklemden, kafes parametrelerini kullanarak kestirim hata süzgeç katsayılarını hesaplamak için Levinson türü algoritmanın tam çözümünü ortaya koymaktadır. Levinson türü özyinelemenin elde edilebilmesi için Burg matris çözümü kullanılmıştır. Bu model çeyrek düzlem ve asimetrik yarı düzleme uygulanabilmektedir. Nakachi,Yamashita ve Hamada [10], 2-B Levinson algoritmasını ve kafes süzgeç yapılarını rastgele alanların özbağlanımlı modellenmesinde simetrik olmayan yarı düzlem için kullanmışlardır. Levinson algoritması ve kullanılan kafes süzgeç yapısının sonucu olarak, 2-B normal denklemleri yinelemeli olarak çözmüşlerdir. Daha sonra, özbağlanımlı alanların modellenmesinde kullanılan yapıda, süzgeç katsayılarının güncellenmesinde 2-B LMS kafes süzgeç yapısını kullanmışlardır [11]. Nakachi,Yamashita ve Hamada [12] de 2-B uyarlamalı ortak süreç kafes kestirici yapısı anlatılmıştır. Süzgeç katsayılarının güncellenmesinde, 2-B normalize edilmiş LMS algoritması kullanılmıştır. Đncelenen bu yeni yapı hem çeyrek düzlem hem de simetrik olmayan yarı düzlemde çalışabilmektedir. Ayrıca bu yapıda, geri yöndeki öngörü hata alanları birbirlerine diktir. Bu özelliğinden dolayı hızlı bir yakısamaya ve izleme özelliğine sahiptir. 3

22 1.3 Bölümlere Genel Bakış Bu tez çalışması beş anabaşlıktan oluşmaktadır. Birinci bölüm, giriş bölümüdür. Tezin organizasyonu, literatur özeti ve de tezin amacı hakıına kısa bilgiler yer almaktadır. Đkinci bölümde, iki boyutlu kafes süzgeç yapıları anlatılacaktır. Bu bölümde öncelikle Kayran [13] tarafından geliştirilen yapı anlatılacaktır. Daha sonra bu yapı, uyarlamalı hale getirilecek ve ortak süreç kafes kestiricilerde kullanılacaktır. Üçüncü bölümde, iki boyutlu kafes süzgeç yapıları kullanılarak toplamsal gürültünün giderilmesi anlatılacaktır. Toplamsal gürültünün giderilmesinde kullanılan kafes süzgeç temelli uyarlamalı hat iyileştirici yapısı ve bu yapıdaki ilişkisizlendirme parametresinin seçimi anlatılacaktır. Bölümün sonunda, uygulama örnekleriyle uyarlamalı kafes hat iyileştiricinin performansı verilecektir. Dördüncü bölümde, SAR görüntülemede benek gürültüsü, bu gürültünün giderilmesi ve uygulama örnekleri verilecektir. Beşinci ve son bölümde sonuçlar verilecektir. 4

23 2. 2-B KAFES SÜZGEÇ YAPILARI Bu bölümde öncelikle 2-B Levinson Algoritması [10] anlatılacaktır. 2-B Levinson- Algoritmasının doğal bir sonucu olarak Kayran [14] tarafından geliştirilmiş olan 2-B kafes süzgeç yapıları daha sonra da bu kafes süzgeç yapılarının uyarlamalı hale getirilmesi ve ortak-süreç kestiricilerinde kullanılması anlatılacaktır B Levinson Algoritması B Destek Bölgesinin Sıralanması 2-B doğrusal modellemede, durağan rastgele veri alanı y( k1, k 2), komşu örnek noktaların doğrusal kombinasyonu ile öngörülür. Öngörü bölgesine bağlı olarak çeşitli nedensel modeller bulunmaktadır. Çeyrek düzlem ve simetrik olmayan yarı düzlem modelleri en çok kullanılan modellerdir. Kafes süzgeçlerde işlem, bu modellerin yardımıyla öngörü destek bölgesinin oluşturulmasıyla başlar. Dizinleme işleminin kolaylığı açısından, öngörü bölgesi içindeki elemanlar 1-B diziler halinde sıralanabilir. Önerilen sıralamada, 1-B diziler yardımıyla elemanların sıralanmasında sadece dikey ve yatay yönler kullanılmaktadır. Dizinin elemanları 0 dan N e kadar numaralanmaktadır. Simetrik olmayan yarı düzlem modellerinde öngörü destek bölgesi şu şekildedir : { ( ) M} QM ( m, = y( m i, n j) i, j S (2.1) 2.1 eşitliğindeki S ( 0,0 ) noktasının içerilmediği öngörü destek bölgesini göstermektedir ve de şu şekilde tanımlanabilir; {( ) ( ) } S ˆ = i, j i 0, j< 0,( i 1, j 0) (2.2) S M deki alt indis M öngörü destek bölgesindeki nokta sayısını göstermektedir. Bu durumda, birebir dönüşüm matrisi I ile M S arasıda, M { 1, 2,, M} = L için 5

24 I : SM a M (2.3) ifadesi tanımlanır. 1 (( m, p) = ( m, I { p} = ( m, ( i, j) ( ) ( ) = m i, n j i, j S, p= 1, 2, LM M (2.4) I, birebir dönüşüm matrisine göre Q (, ) M m n, öngörü destek bölgesini 1-B dizi şeklinde sıralayabiliriz. 3.2 ifadesindeki birebir dönüşüm matrisi I tek bir değer değildir. I birebir dönüşüm matrisi tek bir değer olmadığı için Q (, ) M m n, öngörü destek bölgesini farklı şekillerde sıralayabiliriz. En yaygın kullanılan sıralamalar klasik sıralama ve yakın komşuluk sıralamalarıdır. Örnek 1 : Klasik Sıralama: Eğer I matrisini şu şekilde tanımlarsak, (, ) I i j i, i= 0 = j + ( 2N + 1 ) i, i 1 (2.5) ve de ( ) ( ) I i, j < I s, t, ancak ve ancak i< s veya i= s ise j< t (2.6) olduğundaki sıralamadır. N destek bölgesinin büyüklüğünü göstermektedir. Örnek 2 : Yakın Komşuluk Sıralama: Yakın komşuluk sıralamada ( i j) ( 0,0 ) arasındaki uzaklığa göre bir sıralama yapılmaktadır. I matrisi,, SM ile ( ) ( ) I i, j < I s, t, ancak ve ancak i + j < s + t veya j> t i + j = s + t , ise (2.7) şeklinde olmalıdır. 6

25 Şekil 2.1 : (a) Çeyrek düzlem modelleri için 3. dereceden klasik sıralama (b) Simetrik olmayan yarı düzlem için 2 dereceden klasik sıralama Yinelemeli Çözüm Đleri ve geri yönde öngörü hataları f T ((, ) ) = 1 ( a p) Y (, ), m n p p m n (2.8) r T ((, ) ) = ( b p) 1 Y (, ), m n p p m n (2.9) = 1, LM, p= 0, L, M, şeklinde ifade edilir. Eşitlik 2.9 ve 2.10 daki sırasıyla a p, b p ve de p( m, Y ifadeleri de ( ) ( ) L ( ) ap = ap 1, ap 2,, ap, ( ) ( ) L ( ) bp = bp, bp 1,, bp 1, ( ) = ((, ), ), L, ((, ) ) Y y m n p y m n p p m n (( ) ) ( ) T T ( ) f = r = y m, n p,,, 0 0 m n p ( m n p) ( ) ((, ) 0 ) = (, ). y m n y m n şeklindedir. a ( s ) ve b ( s) ( s 1,, ) p p T = L sırasıyla ileri ve geri yönde öngörü ağırlık vektörlerini göstermektedir. Đleri ve geri yönde öngörü ağırlık katsayıları 2.11 ve 2.12 deki ortalama karesel hata değerlerinin minimize edilmesiyle hesaplanır ; 7

26 { (( ) )} 2, Ap = E f m n p (2.10) ve de { (( ) )} 2, Bp = E r m n p (2.11) (2.8) ve (2.9) eşitlikleri (2.10) ve (2.11) eşitliklerinde yerine konulursa 1 ˆ b p Ap 0 Rp = a 1 0 ˆ p B p (2.12) Eşitlik (2.11) deki R E Y Y ( ) = (, ) (, ) p p m n p m n R p ifadesi, T A ˆ p ve B ˆ p sırasıyla ileri ve geri yönde minimum ortalama karesel hataları göstermektedir ve de 0, sıfır değerli yatay bir vektördür. 1 Đleri ve geri yönde öngörü ağırlık katsayıları a ( s ) ve b ( s) ( s= 0, L, ), a ( s) 1 ve b ( s) ( s= 0,, 1) p L değerlerinin güncellenmesiyle elde edilebilir. p p p 1 0 r 1 b p 1 K 1 1 p, = a p bp+ 1 f ap 1 K p, (2.13) f r (2.13) eşitliğindeki K p, ve K p, sırasıyla ileri ve geri yöndeki yansıma katsayılarını göstermektedir. (2.13) eşitliğini (2.12) eşitliğinde yerine koyarsak yansıma katsayıları K 1 f p p, = ˆ 1 Bp+ 1 (2.14) ve de K 1 r p p, = ˆ 1 Ap+ 1 (2.15) ve minimum ortalama karesel öngörü hataları da 8

27 ˆ ˆ 1 f 1 Ap = Ap + K p, p (2.16) ˆ ˆ 1 r 1 Bp = Bp+ 1 + K p, p (2.17) (2.17) ve (2.18) eşitlikleri ile güncellenmektedir. Bu eşitliklerdeki de ileri ve 1 p geri yöndeki öngörü hataları arasındaki çapraz ilişki olarak yorumlanabilirler ve de eşitlikleri şu şekildedir ; = E f r p m n p m n p ((, ) ) ((, ) 1) (2.14) eşitliğinden (2.18) eşitliğine kadar olan yinelemelerin ilk koşulları { (( ) )} 2 ˆ 0 ˆ o Ap = Bp = E y m, n p şeklindedir B Kafes Süzgeç Yapıları 2-B Kafes yapıları, 2-B Levinson yinelemesinin bir sonucudur. Kafes yapılarının en önemli özelliği, önceki kafes yapılarını bozmadan yeni kafes yapıları ekleyerek optimum öngörücü derecesine ulaşılabilmesidir. Kısacası kafes yapıları modüler yapılardır. Şekil 2.2 : 2-B Kafes Modülünün iç yapısı. (a) 2-B Analiz yapılarında kullanılan kafes modülü (b) 2-B Sentez yapılarında kullanılan kafes modülü 9

28 (2.8), (2.9) ve (2.13) eşitliklerini kullanılarak, ileri ve geri yönde süzgeç işlemleri tek bir yapıda birleştirilebilir ; f 1 f ((, ) ) 1 f m n p K p, (( m, p) = r 1 r ((, ) ) K p, 1 r m n p (( m, p 1) (2.18) (2.18) eşitliğinde verilen yapı Şekil 2.2-a modüler olarak gösterilmektedir. 2-B analiz yapısı da Şekil 2.3-a da gösterilmektedir. Kafes parametreleri bilindiğinde, analiz kafes yapısından sentez kafes yapısına geçilebilmektedir. Sentez modeli, analiz modelinin tersi yapıdadır. Eşitlik (2.18) tekrardan düzenlenirse ; 1 f f ((, ) ) 1 - f m n p K p, (( m, p) = r r f 1 r ((, ) ) K p, 1 K m n p p, K p, r (( m, p 1) (2.19) (2.19) eşitliğinde verilen yapı Şekil 2.2-b modüler olarak gösterilmektedir. Eşitlik (2.18) ve (2.19) kullanılarak Şekil 2.3-b de gösterilen sentez kafes yapısı M oluşturulur. Bu yapıya 2-B beyaz gürültü, giriş olarak verilirse, f( ( m, 0), 2-B data çıkış olarak elde edilir. Şekil 2.3 : 2-B Kafes Süzgec Yapısı (a) Analiz Modeli (b) Sentez Modeli 10

29 Eşitlik (2.8), (2.9) ve (2.18) kullanılarak ileri ve geri yönde öngörü hataları ; ( ) 1 ( b ) 1 T f f (( m, p) 1 1 a 0 K p, p = r Y T r K ((, ) p, 1 m n p) 0 p+ 1 1 p m n (, ) (2.20) şeklinde hesaplanabilir. Eşitlik (2.20) in her iki tarafının z dönüşümü alınırsa uncu derece ileri ve geri yönde öngörü hataları ; 1 ( ap+ 1) 1 ( p+ 1) T f A ( 1 2 ) 1 0 p z, z 1 K p, = r D T py z z B ( 1, 2) K p, 1 p z z 0 b 1 (, ) 1 2 (2.21) Eşitlik (2.21) deki s i j 1 2 (, ) D p ifadesi, p p 1 p Dp = D D L D ( ) D = z z p s p+ I i j = s Böylece Y ( z1, z 2) ve p ( 1, 2), A z z, (, ) T, B z z arasındaki transfer fonksiyonu p 1 2 H p ( z1, z2) Ap ( z1, z2) / Y ( z1, z2) = Ep ( z1, z2) Bp ( z1, z2) / Y ( z1, z2) 1 T ( ap ) 1 T ( bp+ 1) f K p, = D r K p, f 1 K H p, = r K p, 1 E 1 p ( z1, z2) ( z, z ) 1 p p (2.22) şeklindedir. Derece yenilemesinin başlangıç koşulları ( ) ( ) p H z, z = E z, z + D. 0 0 p 1 2 p

30 Şekil 2.4 : 2-B Kafes Süzgeç Algoritması. 2-B kafes süzgeç yapılarında, hem çeyrek, hem de simetrik olmayan yarı düzlem modeliyle oluşturulan destek bölgesi modeli için de, uygulanan derecede, destek bölgesinde toplam kaç noktadan öngörü yapılıyorsa o kadar aşama vardır. Bu nokta sayıları, N dereceyi belirtmek üzere, çeyrek düzlem modeli için 2 ( N+ 1) 1, simetrik olmayan yarı düzlem modeli için ise 2 N( N+ 1) tanedir. Aşamalar ise basamaklardan oluşur. Đlk aşamada, toplam aşama sayısı kadar basamak varken aşamalar arttıkça 12

31 basamak sayısı da birer birer azalır. Son aşamada tek bir basamak vardır. Uygulanan her basamakta, bir ileri, bir de geri yönde yansıma katsayısı elde edilir. Çeyrek düzlem modeli için 1. dereceden yansıma katsayılarının oluşturulması aşağıda adım adım gösterilmiştir. Çeyrek düzlem modeli: 1.aşama: 1.basamak: 1 0 f f ((, ) 0 ) 1 f m n K 0,1 (( m, 0) = 1 r 0 r ((, ) 0 ) K0,1 1 r m n (( m, 1) 2.basamak: 1 0 f f ((, ) 1 ) 1 f m n K 1,1 (( m, 1) = 1 r 0 r ((, ) 1 ) K1,1 1 r m n (( m, 2) 3.basmak: 1 0 f f ((, ) 2 ) 1 f m n K 2,1 (( m, 2) = 1 r 0 r ((, ) 2 ) K2,1 1 r m n (( m, 3) 2.aşama: 1.basamak: 2 1 f f ((, ) 0 ) 1 f m n K 0,2 (( m, 0) = 2 r 1 r ((, ) 0 ) K0,2 1 r m n (( m, 1) 2.basamak: 2 1 f f ((, ) 1 ) 1 f m n K 1,2 (( m, 1) = 2 r 1 r ((, ) 1 ) K1,2 1 r m n (( m, 2) 3.aşama: 1.basmak: 3 2 f f ((, ) 0 ) 1 f m n K 0,3 (( m, 0) = 3 r 2 r ((, ) 0 ) K0,3 1 r m n (( m, 1) Çeyrek düzlem modelinde 1.dereceden toplam 12 tane yansıma katsayısı elde edilir. Simetrik olmayan yarı düzlem modelinde de yansıma katsayıları aynı yapı kullanılarak hesaplanır. Ancak bu modelde 1.derecede 4 aşama vardır ve sonuçta toplam 20 tane yansıma katsayısı oluşturulur. 13

32 0 0 Đlk aşamadaki f( ( m, p) ve r( ( m, p) ile gösterilen hatalar başlangıç koşullarından bulunur. Daha sonraki aşamalarda hep bir önceki aşamada hesaplanan hata alanları kullanılmaktadır. Algoritmanın yinelemeli yapısı buna olanak sağlamaktadır B Ortak-Süreç Kafes Kestirici Şekil 2.5 : 2-B Uyarlamalı Ortak-Süreç Kestirici. Şekil 2.5 de uyarlamalı ortak-süreç kestirici yapısı gösterilmektedir. Referans giriş y( m, n ) 2-B uyarlamalı kafes süzgeç yapısına giriş olarak girer ve her katmanda geri yönde öngörü hata alanları hesaplanır. Bu geri yönde öngörü hata alanlarından r i= L M hata alanları ortak-süreç süzgeç yapısını oluşturan ağırlık i ((, ) 0 ) ( 1,, m n ) i katsayıları w( ) ( i M) = 0, L, çarpılır. Bu çarpımların doğrusal, m n kombinasyonlarından orijinal işaretin kestirimi elde edilir. Kestirim hatası ise şu şekildedir ( ) ( ) ˆ ( ) ei m, n = d m, n di m, n i= 0, L, M (2.23) 14

33 j i ( ) = (, ) (, ) dˆ m, n W r i m n m n i 0 1 i r r r r ( m, (( m, 0 ) (( m, 0 ) (( m, 0) ( m, =,, L, j W w, w, L, w 0 1 i = ( m, ( m, ( m, T (2.24) ( ) dˆ m, n kestirilen işarettir. i Kullanmakta olduğumuz ortak-süreç kafes kestiricinin iki önemli özelliği vardır Ortalama karesel hatanın minimum olduğu değerde yani yansıma katsayılarının optimum değerinde geri yönde öngörü hata alanları birbirlerine diktir. E r = s t r 0,, (( m p) (( m p) (2.25) Eşitlik (2.25) in ispatı şu şekildedir s t s< t olduğunda E r( (, ) ) r m n p (( m, p) şu şekilde yazılabilir ( ) t T s t s T t t b p E r ((, ) ) r ((, ) ) = E ( bp) 1 0 Y m n p m n p (( m, p) Y (( m, p) 1 t s T t b p = ( bp) 1 0 Rp 1 (2.26) eşitlik (2.24) i eşitlik (2.26) de kullandığımızda T 0 s t s E r ((, ) ) r ((, ) ) = ( bp) 1 0 m n p m n p ˆ r J p, t = 0. (2.27) Bu özelliğin sonucu olarak, ortak-süreç kafes öngörücü yapısı diğer yapılara göre daha hızlı yakınsamaktadır. Kullanmakta olduğumuz ortak-süreç kafes yapısının ikinci önemli özelliği de geri yönde öngörü hata alanları ile giriş datası arasındaki ilişkidir. Bu ilişki, (2.25),(2.26) ve (2.27) eşitlikleri kullanılarak şu şekilde gösterilebilir r = L Y M M M ( m, ( m, ( m, (2.28) Eşitlik (2.28) de M ( ) = (, ), ((,, ) 1 ), L, ((, m n ) ) Y y m n y m n y m n M T 15

34 = M 0 1 M r r r L r ( m, (( m, 0 ) (( m, 0 ) (( m, 0) şeklinde birer vektördürler ve de L M ( m, ( m, 1 0 L 0 1 b0 (, )( 1 m n ) 1 L 0 = M M O M M M b ( )( M) b0 (, )( M 1) 1 0 m, n m n L M L,( M 1) x( M 1) T + + büyüklüğünde, tekil olmayan, ana diagonali bir olan alt üçgen matristir. b0 (, )( s)( = 1, L, M, s= 1, L, ), geri yöndeki öngörü hata m n vektörünün, r( (, ) 0 ) ( 1,, M ) m n = L, (, ) m n noktasındaki geri yöndeki ağırlık katsayılarıdır. Y M ( m, den r M ( m, e dönüşümü Gram-Schmidt dikleştirme algoritması olarak da bilinir ki bu algoritma giriş vektörü Y M ( m, ile geri yönde öngörü hata vektörü r M ( m, arasında bire bir bir ilişki olduğunu gösterir. L M ( m, matrisinin determinatı tek olduğu için giriş vektörü Y M ( m, in taşıdığı bilgide ile geri yönde öngörü hata vektörü r M ( m, n ) in taşıdığı bilgi arasında bir kayıp yoktur. Eşitlik (2.27) ve (2.28) kullanılarak M inci dereceden kestirilen d ˆ (, ) ifade edilebilir M m n şu şekilde M M ( ) = (, ) (, ) dˆ m, n W r M m n m n = W L Y M M M ( m, ( m, ( m, (2.29) Eşitlik (2.29) in her iki tarafının z dönüşümünü alırsak M M ( ) ( ) ( ) ( ) dˆ M z1, z2 = W L D,, MY z1, z m n m n 2 (2.30) elde edilir. Eşitlik (2.30) daki 1 M DM 1 D D D = L p i j 1 2 ( ) = z z I i, j = p. T D M ifadesi aşağıdaki gibidir Böylece, Y ( z1, z 2) ile dˆ M ( z1, z 2) arasındaki transfer fonksiyonu 16

35 (, ) H z z 1 2 ( z1 z2) (, ) dˆ M, = Y z z = 1 2 M M W L DM ( m, ( m,. (2.31) şeklindedir B Uyarlamalı LMS Kafes Yapısı Özilişkilerin ve çapraz ilişkilerin önceden bilinmediği durumlarda ya da doğrusal öngörü süzgecinin durağan olmayan ortamlarda kullanıldığında yansıma katsayılarının güncellenmesinde uyarlamalı yapılar kullanılmaktadır. Bu bölümde ileri ve geri yönde öngörü hataların karesel ortalamasını yani hata fonksiyonlarının türevini minimize ederek çalışan uyarlamalı kafes yapısı anlatılacaktır. Uyarlamalı durumlarda ileri ve geri yönde öngörü hatalarının derece güncellemeli yapısı şu şekildedir f 1 f (( ) ) m, n p 1 K f ( ( m, p) (( m, p) = r 1 r K ((, ) ) ((, ) ) 1 m n p m n p r (2.32) (( m, p 1) Eşitlik (2.32) de K f ( ( m, p) ve r ( ( m, n ) p) ( p) K sırasıyla ( m, noktasındaki ileri ve geri yöndeki yansıma katsayılarıdır. Đleri yönde yansıma katsayısı K f ( ( m, p), hata fonksiyonu f J( ( m, n ) p) nin minimize eldilmesiyle bulunur. Hata fonksiyonu ise ( ) 2 f J ((, ) ) = E f m n p (( m, p) (2.33) şeklindedir. Eşitlik (2.33), eşitlik (2.32) in ilk satırında yerine koyulup hata fonksiyonu, J f ( ( m, p), f K( ( m, n ) p) e göre türevi alınırsa f m n p ((, ) ) J = K f m n p ((, ) ) f m n p ((, ) ) = 2E f r 1 (( m, p) (( m, p 1) (2.34) eşitliği elde edilir. Beklenti operatörünü eşitlik (2.34) den kaldırırsak 17

36 = f 1 2 f r m n p m n p m n p ((, ) ) ((, ) ) ((, ) 1) (2.35) Böylece uyarlamalı LMS algoritması kafes yapıları için şu şekildedir K = K 1 µ 2 = K µ f r f f f m n p m n p m n p ((, + 1 ) ) ((, ) ) 1 ((, ) ) f 1 m n p m n p m n p ((, ) ) 1 ((, ) ) ((, ) 1) (2.36) Eşitlik (2.36) da µ 1> 0 ileri yöndeki adım boyunu göstermektedir Benzer şekilde geri yöndeki yansıma katsayısı da r r 1 K (( ) ) = K (( ) ) µ, 1, 2 r m n p m n p (( m, p) f + (( m, p) (2.37) şeklindedir. Eşitlik (2.37) deki µ 2 > 0 geri yöndeki adım boyunu göstermektedir Eşitlik (2.36) ve (2.37) deki yinelemeler yatay taramalar şeklindedir ve sınır koşulları şu şekildedir K K = K f f m p m N2 p ((,0) ) (( 1, ) ) = K r r m p m N2 p ((,0) ) (( 1, ) ) (2.38) LMS yapısı ağırlık katsayılarını yinelemeli olarak bulduğu için yapının ağırlık katsayıları için belirli değerlere yakınsayarak kararlı bir hale gelmesi gerekmektedir. 2-B LMS kafes yapısının yakınsamasını etkileyen iki önemli parametre vardır. Bunlardan birincisi, yansıma katsayılarının beklenen değerlerinin yakınsamasıdır. Đkincisi ise ortalama karesel hataların yakınsamasıdır. Bu iki parametre bize yapıdaki adım boyları için üst sınırları oluşturmamızı sağlayacaktır. Öncelikle = K K f f f m n p m n p p ((, ) ) ((, ) ), (2.39) f eşitlikteki K p, optimum yansıma katsayısıdır. Yapının yakınsaması için bazı kabullerde bulunacağız ki bunlar ve r ( 1 ( m, p 1) f 1. ( ( m, p) istatistiksel bağımsızdırlar. E 2. Her aşamadaki rastgele giriş alanları durağandırlar ve gauss dağılımındadır. f m n p ((, ) ) değerinin sonlu olduğunu kabul edersek 18

37 2 1 ( ) ( ) f f E ((, 1 ) ) = 1 µ m n p 1E r (( m, p 1 ) E + ( m, n p) (2.40) f Böylece, E ( ( m, n+ 1) p) sıfıra yakınsar eğer 0< µ < E 2 1 ( r (( m ) )), n p (2.41) b olursa. Benzer şekilde E ( ( m, n+ 1) p) sıfıra yakınsar eğer 0< µ < E 2 1 ( f (( m, p) ) 2 2 (2.42) şartı sağlanırsa. ( (( ) )) 2 m, n p E f değerinin sonlu olduğunu kabul edersek ( (( ) )) = ˆ p, + (( ) ) 1 ( ) ( (( ) )) f f E f J E E r m, n p m, n p m, n p 1 (2.43) ( m, n ) değeri (, ) şekilde yazılabilir + + a giderse eşitlik (2.43) in sağ tarafındaki ikinci ifade şu 2 1 ˆ ( ((, ) p 1) ) 1 1 E ( r ((, ) p 1) ) µ E r J f 1 E ( ( ( ) p) ) E ( r (( ) p )) 2 3µ f p, =,, 1 2 (2.44) ( ) 2 Eşitlik (2.42) ve (2.43) de E f (( m, p) koşullar sağlanırsa 0 µ < 1< 2 3E 2 1 ( r (( ) )), p 1 belirli bir değere yakınsar eğer şu (2.45) ( ) 2 Benzer şekilde, E r (( m, p) değeri de yakınsar eğer 19

38 0 µ < 1< 2 3E 2 1 ( f ((, ) p) ) (2.46) koşulu sağlanırsa B Uyarlamalı Normalize LMS Kafes Yapısı Her bir aşamada daha küçük zaman sabiti elde etmek için normalize LMS yapısı kullanılır. Bu yapıda yansıma katsayılarının güncellenmesi K f = K ξ f f m n p m n p ((, + 1 ) ) ((, ) ) r 1 (( m, p) (( m, p 1) (( m p) f 1, (2.47) K 1 r ((, ) ) f m n p (( m, p) = K ξ 1, 1 r r m n p m n p ((, + 1 ) ) ((, ) ) r (( m p ) (2.48) ( m, r ( m n ) e (, 0 ) w ((, 1 ) ) = w m n p (( m, p) + ξ (2.49) ( m, ξ ξ ξ = ξ r f f 1 1 m, n p 1 m, n 1 p m, n p 1 (( ) ) (( ) ) (( ) ) = λξ + r r 1 1 m, n p 1 m, n 1 p m, n p (( ) ) (( ) ) (( ) ) = λξ + r m n m n m n (, ) (, 1 ) ((, ) 0) 2 f 2 2 (2.50) Eşitlik (2.50) deki λ pozitif bir sabittir ve de λ< 1. 20

39 3. 2-B UYARLAMALI KAFES SÜZGEÇ YAPILARI ĐLE GÜRÜLTÜ GĐDERME 3.1 Uyarlamalı Hat Đyileştirici (ALE) ALE uyarlamalı süzgeç uygulamalarında sık kullanılan bir yapıdır. Bu yapı temelde, süzgece giren giriş işaretindeki yüksek frekanslı gürültü bileşenlerini bastırıp gürültüsüz işaretin çıkmasını amaçlar. Diğer gürültü giderme yapılarının aksine, ALE de giriş işareti veya gürültü hakkında önceden bir bilgi olmasına gerek yoktur. Yapı şekil(3.1) de gösterilmektedir. Şekil 3.1 : Uyarlamalı hat iyileştirici yapısı Giriş işareti, d( n ) in, deterministik veya gürültüsüz bir bileşen ile gürültü bir bileşeninin toplamından oluştuğunu varsayalım. Aynı şekilde x( n ) inde alçak frekans bileşenli işaret ile yüksek frekans bileşenli gürültüden oluştuğunu ve de d( n ) in geciktirilmesiyle elde edildiğini kabul edelim. d( n ) işaretinin geciktirilmesiyle elde edilen x( n ) işareti, gürültü bileşeni ile ilişkisiz hale getirilmiştir. Süzgeç çıkışındaki y( n ), d( n ) gürültülü giriş işaretinin gürültüsüz kestirimidir. 21

40 L 1 i (3.1) i= 0 ( ) = ( ) ( ), ( ) = ( ) y n f n x n i x n d n Eşitlik (3.1) deki f ( n ) i ( 1) ( ) 2α ( ) ( ) f n f n e n x n i i + = i + (3.2) şeklindedir ve de e( = d( y( (3.3) Eşitlik (3.2) deki α süzgecin kararlılığını ve yakınsamasını kontrol eden adaptasyon parametresini, giriş işaretinin özilişkisine bağlı olarak değişen gecikme katsayısını, L filtre uzunluğunu ve f ( ) i n de filtrenin i inci ağırlık katsayısını göstermektedir. Adaptasyon parametresinin değeri küçük seçilirse yapı geç yakınsar ama değişken işareti daha iyi takip eder. Tam tersi durumda, uyarlama parametresini değerinin yüksek seçilmesi durumunda, yapı hızlı bir yakınsama gösterir fakat bu seferde işareti takip özelliği kötüleşmiş olur. Bu sebeplerden uyarlama parametresi, α, eşitlikte kritik bir rol oynar. Benzer şekilde, gecikme katsayısının seçimi de yapının iyi sonuç vermesinde önemli rol oynar. Gecikme katsayısının seçimi ( ) ( ) 0 E w n w n (3.4) şeklinde olmalıdır ve de eşitlik (3.4) deki w( n ), giriş işareti içerisinde yer alan gürültü bileşenini temsil etmektedir. 3.2 Kafes Süzgeç Temelli Uyarlamalı Hat Đyileştirici 2-B ALE nin yapısı şekil (3.2) de gösterilmektedir. 2-B gecikme operatörü renkli gürültüyü ilişkisiz hale getirmek için kullanılır. 2-B uyarlamalı kestirici, gözlemlenen işaretten gürültü bileşenini bastırmada kullanılır. 2-B sinüzoidal işaretin iyileştirilmesi, kestiricinin güçlü ilişkili işareti, zayıf ilişkili işaretten daha iyi tahmin edebilme özelliğinin bir sonucudur. 22

41 Şekil 3.2 : 2-B Uyarlamalı Hat Đyileştirici Kestiricinin yakınsama özelliğini geliştirmek için 2-B kafes süzgecin geri yönde hata 0 1 M alanlarının, r( ( ) ), r, ((, ) ), L, r m n p m n p (( m, p), birbirine dik olması özelliğini kullanıyoruz. Böylece, renkli gürültüdeki sinüzoidal işaretlerin kestirimi şu şekildedir m y ˆ ( m, n i i ) = W (, ) r m n (( m K, n L) 0) (3.5) i= 0 Eşitlik (3.5) deki, j K L dekorelasyon parametresi ve W( ) ( j M) = 0, L, ortak süreç, kafes kestiricinin ağırlık katsayılarını göstermektedir. j j W ( m,, kestirim hatası e ( m, in ortalama karesel değerinin minimize edilmesiyle güncellenir, j J E e j { } 2 = (3.6) ( m, ( m, ve de j j i i e( ) = y( m, n m, n ) W( m, r (( m K, n L) 0) (3.7) i= 0 Eşitlik (3.7) in W j ( m, e göre türevi alınırsa m n ˆ j j j = 2e r ( m, ( m, (( m K, n L) 0) (3.8) Böylece W j ( m, ağırlık katsayılarının LMS algoritmasıyla güncellenmesi, W = W 2µ e r j j j j ( m, n+ 1 ) ( m, 3 ( m, (( m K, n L) 0) (3.9) 23

42 şeklindedir. Eşitlik (3.9) deki µ 3 adım boyunu göstermektedir. 2-B uyarlamalı kafes hat iyileştiricinin blok diyagramı şekil (3.3) de gösterilmektedir. Şekil 3.3 : 2-B Uyarlamalı Kafes Hat Đyileştirici ALE uygulamalarında önemli olan bir diğer husus, dekorelasyon parametresinin şeçimidir. Dekorelasyon parametreleri K, L gürültü bileşenlerinin aralarındaki ilişkiyi kaldırmak için kullanılır. Yani amaç gürültü bileşenlerinin ilişkisiz hale getirilmesidir. Bunu yaparken giriş işareti y( m, n ) deki gürültü bileşeni ile geciktirilmesiyle elde edilmiş y( m K, n L) olmasıdır. Bunu yaparken y( m, n ) deki ve y( m K, n L) işaretindeki gürültü bileşenin ilişkisiz deki sinüzoidal işaret bileşenlerinin de korunmasına dikkat edilmelidir. Giriş işaretinin şu şekilde olduğunu varsayalım, 24

43 N i (3.10) i= 1 (, ) = (, ) + (, ) y m n D m n N m n Eşitlik (3.10) deki D ( m,,( i 1,, N) i = L giriş işaretindeki sinüzoidal işaret bileşenlerini ve N( m, n ) de renklendirilmiş gürültüyü ifade etmektedir. i ((, ) ) ile D (, ) D m n p ( ) K ve L değerleri şu şekilde olmalıdır, i m K n L p arasındaki ilişkinin güçlü olabilmesi için N D =± ((, ) ) ((, ) ) i m n p i m K n L p i= 1 i= 1 N D p= 1, L, M için (3.11) Eşitlik (3.9) dan w K w L π S j j = 2 S : tamsayı, j= 1, L, N için j j (3.12) veya ( j ) j j w1 K+ w2 L= π 2S + 1 S : tamsayı, j= 1, L, N için j (3.13) Eşitliklerdeki ( j j 1, 2) w w, D (, ) j m n in frekans bileşenleridir. Böylece, dekorelasyon parametrelerini seçerken değerlerin eşitlik (3.12) veya (3.13) i sağlaması gerekmektedir. 3.3 Uygulama Örnekleri Bu bölümde farklı SNR değerlerindeki iki görüntünün farklı destek bölgelerinde farklı dizilimleri için (çeyrek düzlem ve simetrik olmayan yarı düzlem ile klasik ya da yakın komşuluk) farklı derecelerden 2-B uyarlamalı kafes hat iyileştirici (ALE) yapısı kullanılarak gürültü giderme performansları incelenecektir. Sonuçlar, hem resim üzerinden, hem de ileri ve geri yönde yansıma katsayılarından herhangi birileri ile ağırlık katsayılarının herhangi birinin yakınsama eğrileri üzerinden ve de öğrenme eğrisi üzerinden çizilerek verilecektir. Đlk uygulamamızda 256x256 boyutundaki Lena resmini, varyansı 0.03 ve ortalaması sıfır olan toplamsal beyaz gauss gürültüsü ile kirletip 2-B uyarlamalı kafes hat iyileştirici yapısı kullanılarak farklı destek 25

44 bölgeleri ve dizilimleri sonucu yapının gürültü giderme performansı incelenecektir. ALE yapısında dekorelasyon parametresi (5,5) alınmıştır. Đkinci uygulamada da yine 256x256 boyutundaki Lena resmi, varyansı ve ortalaması sıfır olan toplamsal beyaz gauss gürültüsü eklenmiş ve bir önceki uygulamadaki aynı yapı kullanılarak gürültü giderme performansı incelenmiştir. 26

45 (a) (b) (c) (d) (e) (f) (g) (h) Şekil 3.4 : SNR=10dB için 2-B uyarlamalı kafes hat iyileştirici yapısı kullanılarak gürültü giderme (a) Gürültüsüz Lena resmi, (b) SNR değeri 10db olan toplamsal gauss gürültüsü ile kirletilmiş resim, (c) QP2 Klasik Sıralama, (d) QP2 Yakın-Komşu Sıralama,(e) QP3 Klasik Sıralama, (f) QP3 Yakın- Komşu-Sıralama, (g) ASHP2 Klasik Sıralama, (h) ASHP2 Yakın-Komşu Sıralama 27

46 (a) (b) (c) (d) (e) Şekil 3.5 : Geri yönde yansıma katsayısı 2,3 r K nin öğrenme eğrileri, (a) QP2 Klasik Sıralama, (b) QP2 Yakın Komşu Sıralama,(c) QP3 Klasik Sıralama, (d) QP3 Yakın Komşu Sıralama, (e) ASHP2 Klasik Sıralama, (f) ASHP2 Yakın Komşu Sıralama (f) 28

47 (a) Şekil 3.6 : 2-B uyarlamalı kafes hat iyileştiricinin w ( 3) ağırlık katsayısının yakınsama eğrisi (a) QP2 Klasik Sıralama,(b) ASHP2 Klasik Sıralama Şekil 3.6 dan da anlaşılacağı üzere, 2-B uyarlamalı kafes hat iyileştiricinin w(3) ağırlık katsayısının yakınsaması ASHP2 Klasik sıralamada, QP2 Klasik sıralamaya göre daha hızlıdır. Bunun nedeni ise ASHP2 Klasik sıralama yapısında 12 tane kafes modulü kullanılırken QP2 Klasik sıralama yapısında 9 tane kafes yapısı kullanılmasıdır. (b) 29

48 (a) (b) (c) (d) (e) (f) (g) (h) Şekil 3.7 : SNR=20dB için 2-B uyarlamalı kafes hat iyileştirici yapısı kullanılarak gürültü giderme (a) Gürültüsüz Lena resmi, (b) SNR değeri 10db olan toplamsal gauss gürültüsü eklenmiş resim, (c) QP2 Klasik Sıralama, (d) QP2 Yakın Komşu Sıralama,(e) QP3 Klasik Sıralama, (f) QP3 Yakın Komşu Sıralama, (g) ASHP2 Klasik Sıralama, (h) ASHP2 Yakın Komşu Sıralama 30

49 Çizelge 3.1 : Farklı işaret-gürültü oranlarında, farklı destek bölgelerindeki farklı dizilimler için farklı derecelerden 2-B uyarlamalı kafes hat iyileştirici yapısı kullanılarak elde edilen ortalama karesel hata değerleri Yöntem SNR=10dB SNR=20dB MSE PSNR MSE PSNR Gürültülü Lena QP2 Klasik Sıralama QP2 Yakın-Komşu Sıralama QP3 Klasik Sıralama QP3 Yakın-Komşu Sıralama ASHP2 Klasik Sıralama ASHP2 Yakın-Komşu Sıralama

50 32

51 4. 2-B UYARLAMALI KAFES SÜZGEÇ YAPILARI ĐLE BENEK GÜRÜLTÜSÜ GĐDERME 4.1 SAR Görüntülemede Benek Gürültüsü SAR, bütün hava koşullarında dünya yüzeyinden yüksek çözünürlüklü görüntüler elde etmek için kullanılan aktif bir mikrodalga ışınım teknolojisidir. SAR teknolojisi görüntülenecek yüzey için herhangi bir ışık kaynağına ihtiyaç duymaz. Görüntülenecek yüzey için kendi aydınlatmasını yapar. Bu özelliğinden dolayı SAR aktif bir teknoloji olarak adlandırılır. Ayrıca yaratılan ışık tutarlıdır(coherent). Bu sayede ışığın gönderilen ve alınan tarafta aynı frekans ve fazda olması sağlanır. SAR teknolojisi ışıklandırma için mikrodalga frekans ışınımı kullanır. Bu sebeple görsel uzaktan algılama ile ilgili problemlerle karşılaşmaz. Yani, her türlü hava koşullarında ve gündüz veya gece olması durumunda görüntü elde edebilir. SAR sistemleri uzun menzile yayılma özelliği ve sayısal elektroniğin kompleks bilgiyi işleme yeteneği sayesinde de yüksek çözünürlüklü görüntü elde etmeye imkan sağlar. Bütün bu özelliklerden dolayı SAR teknolojisi pratikte yaygın olarak kullanılmaktadır. Arazilerin yapısal bilgisinin tespiti, su üzerinde oluşan yağ tabakalarının tespiti, topraktaki nem tespiti, su ve buzul bölgelerin tespiti, askeri amaçlı hedef ve keşif bilgilerinin tespiti, şehir planlama, maden arama, arama kurtarma başlıca kullanım alanlarıdır. SAR uygulamalarında tek bir radar anteni uçağa bağlanır ve mesafe üzerinde uçağın uçuşu sırasında radar tarafından elde edilen sinyaller birleştirilir. Böylece 2 boyutlu bir görüntü elde edilir. Radar görüntülemede radarın bakış doğrultusu menzil eksenini verir. Menzil bir darbenin hedefe iletilmesi ve yansıyan darbenin alınması için geçen zamanın ölçülmesi ile bulunur. Menzil çözünürlüğü ise iletilen darbenin genişliği ile belirlenir. Dar darbeler daha iyi menzil çözünürlüğü sağlarlar. Menzil doğrultusuna dik doğrultu ise çapraz menzil olarak adlandırılır. Yüksek çapraz menzil çözünürlüğüne sahip bir radar görüntüsü oluşturmak için fiziksel olarak büyük bir antene ihtiyaç duyulur. SAR teknolojisi optik sistemlerden daha düşük frekanslarda çalışır. Dolayısıyla nispeten düşük bir çözünürlük için bile bir uçağın taşıyabileceğinden çok daha büyük bir antene ihtiyaç duyar. Kabaca düşük bir çözünürlük için bile yüzlerce metre uzunluğunda antene ihtiyaç vardır. Bundan dolayı SAR sistemlerinde uçağa bağlı bir radar anteni uçuş sırasında veri toplar. Böylece SAR teknolojisi, uçuş hattı boyunca hareket edilirken radar tarafından elde edilen sinyallerin 33

52 birleştirilmesi ile çok büyük bir anten açıklığı yapay olarak sentezlemiş olur. Anteni oluşturmak için uçağın uçtuğu mesafeye yapay açıklık adı verilir. SAR teknolojisinde görüntü ışınım ile elde edildiğinden, SAR görüntüleri çarpımsal gürültü ile bozulur. Herhangi bir nesne radyasyon ile aydınlatıldığında yüzeyden yansıyan dalga çok sayıda saçılmış nokta içerir. Dolayısıyla yansıyan dalgalar tanecikli bir görüntü oluşmasına neden olur. Đşte bu taneciklere benek, SAR görüntülerde oluşan gürültü yede benek gürültüsü denilir. Beneklerin varlığı ışınımsal çözünürlüğü bozar ve görüntü kalitesini düşürür. Bundan dolayı görüntü bölütleme, sınıflandırma gürültü giderme ve görüntüden diğer bilgilerin elde edilmesi gibi işlemlerin verimi düşer. Bütün bu sebeplerden dolayı, SAR görüntüyü yorumlamadan önce benek gürültüsünü azaltmak gerekir. Bu işlem sırasındada doku ve kenar bilgilerinin kaybolmaması önemlidir. Teorik olarak benek gürültüsü şu şekilde modellenebilir. J = I+ n I (4.1) Burada n sıfır ortalamalı v varyanslı rastgele düzgün dağılımlı gürültü, I orjinal görüntü matrisi ve J benek gürültülü görüntü matrisini belirtir. Benek gürültüsünü azaltmak için birçok çalışma yapılmış ve filtre geliştirilmiştir. Mean filtre, medyan filtre, Lee filtre, Lee sigma filtre ve Kuan filtre başlıcalarıdır. Son yıllarda ise dalgacık dönüşümü ve çoklu-dalgacık dönüşümü kullanılarak benek gürültüsünün azaltılmasına yönelik çalışmalar yapılmış ve başarılı sonuçlar elde edilmiştir. Mean filtre gerçeklemesi en basit olan filtredir. Mean filtrede bir pencere seçilir. Bu pencere görüntü verisi üzerinde hareket ederken merkezdeki piksel pencere içindeki piksellerin ortalaması ile değiştirilir. Mean filtre benek gürültüsü ile birlikte kenarlarında yumuşamasına sebep olur. Filtrenin bir kaç kere uygulanması durumunda görüntü tamamen kaybolur. Medyan filtrenin gerçeklenmesi mean filtre gibi kolaydır. Bununla beraber medyan filtre mean filtreye nazaran çok büyük oranda kenarların korunmasını sağlar. Medyan filtre pikselleri önce sıralar, daha sonra medyan değeri alır. Lee filtre yerel istatiksel bir metottur. Çarpımsal gürültünün yoğunluğu negatif üstel dağılım gösterir. Basit bir istatiksel model ile böyle bir gürültünün temsil edilmesi imkansızdır. Bu yüzden Lee filtrede lokal istatiksel metot kullanılır. Bu yöntemde görüntünün kendisi kayan bir pencere içindeki lokal varyans ve lokal ortalama ile, varyans ve ortalamanın tahmin edilmesi için kullanılır. Sonuç olarak çarpımsal modelin lineer bir modele yaklaşıklığı bulunur ve elde edilen lineer modele minimum ortalama karesel hata kriteri uygulanır. 34

53 Lee sigma filtresi Lee tarafından Lee filtresine daha basit bir alternatif olarak sunulmuştur. Sigma filtre verinin Gauss dağılımına sahip olduğunu farz eder. Gauss dağılımlı rastgele örneklerin %95.5'i ortalama değerin her iki yanındaki iki standart sapma içine düşer. Đki standart sapmanın dışında kalan değerler ise farklı bir dağılımdan olacaktır. Sigma filtre yalnız filtre penceresi içindeki iki standart sapma içindeki piksellerin ortalamasını alır. Bu sayede kenarların korunması da sağlanır. Çünkü kenarlar ortalama alma işleminin uygulandığı merkezdeki piksel ile aynı dağılımda bulunmaz. Kuan filtre yerel istatiksel bir metot olan Lee filtre ile benzer şekilde çalışır. Bu yöntemde çarpımsal gürültü modeli ilk önce işarete bağımlı toplamsal gürültü modeline dönüştürülür. Daha sonra elde edilen modele minimum ortalama karesel hata kriteri uygulanır. 4.2 Çarpımsal Gürültü Giderme Algoritması Benek gürültüsü, çarpımsal bir gürültü olup, çeşitli yöntemlerle belirli bir seviyeye kadar azaltılabilir. Bunu yaparken, benek gürültüsüyle ilgili bazı istatistiksel varsayımlarda bulunmak gereklidir. Bu varsayımların, incelenen yöntemlerin teorik olarak daha basit denklemlerle ifade edilebilmesini sağlamasının yanı sıra, sayısal ortamda işlem yükünü önemli derecede hafifletmesi de doğal bir gerçektir. Bu varsayımlara birazdan değinilecektir. Öncelikle çarpımsal gürültüyü biraz daha detaylı incelemekte fayda vardır. Çarpımsal bir gürültüyü aşağıdaki denklemle ifade etmek mümkündür. F( x, y) = G( x, y) E( x, y) (4.2) Bu denklemde F(x,y) gürültülü resimdeki piksel değerleri, G(x,y) gürültüsüz resimdeki piksel değerleri ve E(x,y) her piksele eklenen çarpımsal gürültünün şiddetidir. Nitekim, gürültülü resme uygulanacak olan görüntü işleme teknikleriyle bu denklemi kullanmak mümkün değildir. Bu sorunu aşmak için denklemin logaritması alınarak, incelenen gürültüye toplamsal bir boyut kazandırılır. Bunun ifadesi de şu şekildedir: log( F ( x, y)) = log( G( x, y) E( x, y)) = log( G( x, y)) + log( E( x, y)) (4.3) Görüldüğü gibi, logaritması alınan çarpımsal gürültü, toplamsal gürültü özelliği kazanmıştır. Bu sayede, incelenecek olan görüntü işleme tekniklerinin benek gürültülü resme uygulanması mümkün olacaktır. 35

54 Tekniklerin uygulanmasını mümkün kılan bir diğer şey de, az önce de bahsedilen varsayımlardır. Bu varsayımlar kısaca sıralanacak olunursa: - Kompleks benek gürültüsünün gerçel ve sanal kısımları birbirinden bağımsızdır, - Benek gürültüsü ortalama sıfır değerine sahiptir, - Benek gürültüsü, düzenli olarak dağılmış rastsal Gauss değişkenlerinden oluşmaktadır, denilebilir. Bunun yanı sıra, logaritması alınmış benek gürültüsünün toplamsal Gauss gürültüsüne benzediğinin, 1976 yılında Arsenault ve April tarafından gösterilmiş olduğunu da eklemek gerekir. Bu varsayımlarla ve logaritmik dönüşümle benek gürültüsünün toplamsal Gauss gürültüsüne çevrilmesinden sonra, görüntü üzerine birçok gürültü giderme algoritması uygulanabilir. Üçüncü bölümde, toplamsal gürültü ile kirletilmiş resim işaretinin 2-B uyarlamalı kafes hat iyileştirici yapısı kullanılarak nasıl gürültüsüz hale getirildiği anlatılmıştı. SAR görüntülerindeki gürültü çarpımsal olduğu için üçüncü bölümde anlatılan yapı direk olarak kullanılamaz. Öncelikle çarpımsal gürültünün toplamsal hale getirilmesi gerekmektedir. Bunu da giriş işaretinin logaritmasını alarak yaparız. Logaritması alınmış giriş işareti, üçüncü bölümde anlatılan 2-B uyarlamalı kafes hat iyileştirici yapısına uygulanır. Yapının çıkışındaki işaretin tekrar exponansiyeli alınarak gürültüden giderilmiş işaret elde edilir. Yapının şekli (4.1) de gösterilmektedir. Şekil 4.1 : Çarpımsal gürültü için 2-B uyarlamalı kafes hat iyileştirici. 36

55 4.3 Uygulama Örnekleri Bu bölümde, 15 db SNR değerlerindeki görüntünün farklı destek bölgelerinde farklı dizilimleri için (çeyrek düzlem ve simetrik olmayan yarı düzlem ile klasik ya da yakın-komşu) farklı derecelerden 2-B uyarlamalı kafes hat iyileştirici (ALE) yapısı kullanılarak çarpımsal gürültü giderme performansları incelenecektir. Sonuçlar, hem resim üzerinden, hem de ileri ve geri yönde yansıma katsayılarından herhangi birileri ile ağırlık katsayılarının herhangi birinin yakınsama eğrileri üzerinden ve de öğrenme eğrisi üzerinden çizilerek verilecektir. Đlk uygulamamızda, boyutu 256x256 olan ev görüntüsü,ikinci uygulamamızda da SAR görüntüsü incelenecektir. 37

56 (a) (b) (c) (d) (e) Şekil 4.2 : 2-B uyarlamalı kafes hat iyileştirici yapısı kullanılarak çarpımsal gürültü gidermesi (a) orijinal görüntü (b) gürültü eklenmiş görüntü (c) QP2 sıralı dizinleme (d) QP2 yakın-komşu dizinleme (e) QP3 sıralı dizinleme (f) QP3 yakın komşu. (f) 38

57 Çizelge 4.1 : SNR=15db işaret-gürültü oranlarında, farklı destek bölgelerindeki farklı dizilimler için farklı derecelerden 2-B uyarlamalı kafes hat iyileştirici yapısı kullanılarak elde edilen ortalama karesel hata değerleri Yöntem SNR=15dB MSE PSNR Gürültülü Lena QP2 Klasik Sıralama QP2 Yakın-Komşu Sıralama QP3 Klasik Sıralama QP3 Yakın-Komşu Sıralama Çizelge 4.1 den de anlaşılacağı üzere gürültü giderme performansı en iyi olan yapı QP3 Yakın-Komşu sıralama yapısıdır. Bu da beklenen bir sonuçtur. Hem yapının derecesi hem de destek bölgesinin sıralanması yapının performansını olumlu etkilemiştir. 39

58 (a) (b) Şekil 4.3 : 2-B uyarlamalı ortak süreç kafes yapısındaki ileri ve geri yöndeki yansıma katsayısıyla, ağırlık katsayısının yakınsama eğrisi (QP3 Klasik sıralama) (a) Geri yöndeki yansıma katsayısı (b) ileri yöndeki yansıma katsayısı 40

59 (a) (b) (c) (d) (e) Şekil 4.4 : 2-B uyarlamalı kafes hat iyileştirici yapısı kullanılarak çarpımsal gürültü gidermesi (a) Đstanbul Boğazı nın radar görüntüsü (b) QP2 sıralı dizinleme (c) QP2 yakın-komşu dizinleme (d)qp3 sıralı dizinleme (e) QP3 yakın komşu. 41